至顶网安全频道 02月19日 综合消息: 根据Gartner的报告,安全和风险管理领导者必须采取务实的、基于风险的方法来应对由全新漏洞带来的持续威胁。“Spectre”和“Meltdown”是针对过去20年制造的大多数计算机芯片内部潜在可利用漏洞实施的新一类攻击代号。
安全研究人员在2018年1月发现了三种主要的攻击变种。前两个变种被称为Specter,第三种变种为Meltdown,所有三种变种都涉及代码的推测性执行,以读取应该保护的内存以及后续基于通道的攻击来推断内存内容。
Gartner、知名分析师和Gartner研究员MacDonald表示:“不是所有的处理器和软件都以同样的方式容易受到这三种版本的影响,而且基于系统暴露于运行未知和不可信代码的风险会有所不同。风险是真实存在的,但通过一个清晰而务实的、基于风险的补救计划,安全和风险管理领导者可以为企业领导者提供信心,让他们认为这一风险是可管理的、并且正在解决中的。”
Gartner已经确定了安全领导者为降低风险可采取的七个步骤:
1、现代操作系统(OS)和管理程序依赖于结构化的、分层的权限模式,来提供安全隔离和分离。由于这种可利用的设计实施是在硬件中的——在操作系统和管理程序之下——所有上面的软件层都受到影响和易受攻击的。但是,只能读取内存,不能对其进行更改。利用这些漏洞需要在目标系统上引入和执行不可信的代码,这在管理良好的服务器或设备(如网络设备或存储设备)上是非常困难的。不急于打“恐慌补丁”是有一定好处的:早期的补丁与某些防病毒产品产生冲突,会锁定Windows桌面。有些是与使用AMD微处理器相冲突,所以系统无法启动。其他早期补丁的性能影响已被后续补丁进行了改进。
2、几乎每个现代IT系统都会受到一定程度的影响。由于Y2K的脆弱性影响了很多系统——台式机、移动设备、服务器、虚拟机、网络和存储设备、操作技术和物联网设备——都需要一个有计划的、分阶段的补救措施。对于安全领导者来说,一开始必须是受影响系统的清单。在某些情况下,应对风险的决策并不是打补丁。但是在所有情况下,安全领导者的路线图都将是清单。对于每个系统来说,需要详细的数据库或电子表格来跟踪设备或工作负荷、微处理器版本、固件版本和操作系统。
3、漏洞是无法直接远程利用。成功的攻击要求攻击者在系统上执行代码。因此,所有系统上的应用控制和白名单大大降低了未知代码执行的风险。然而,共享的基础架构即服务(IaaS)在云提供商更新其底层固件和管理程序层(领先供应商都会做的)之前尤为脆弱。强大的责任分离(SOD)和特权账户管理(PAM)降低了引入不可信代码的风险。
4、在制定补救战略时,Gartner建议将战略分为不同的优先阶段,因为风险、性能影响和潜在的硬件升级在不同用例之间差异很大。从风险最高的系统开始——桌面、虚拟桌面基础架构(VDI)、智能手机和面向外部的服务器。
5、信息安全领导者需要为某些适当不打补丁的场景做好准备。在某些情况下,这是由于旧系统上缺少补丁。在其他情况下,性能影响不会被风险的降低所抵消,所以不用打补丁。即使对于一些管理良好的服务器来说,也可能需要放弃打补丁以保护性能,直到后续的修补程序具有明显可接受的影响。但是,对于服务器工作负载来说,当各项性能参数允许时,Gartner建议进行修补和固件升级。
6、对于未打补丁或部分打补丁了的系统来说,采取多种缓解控制措施可以降低风险。要解决的唯一最重要的问题是,限制将未知代码或不可信代码放置到设备上的能力。通过这一点,可显着降低风险,因为攻击是需要在本地执行代码的。对于所有系统来说,这意味着采取“默认拒绝”的方法,应用控制和白名单大大降低了风险。如果已知了公开的攻击,那么传统的端点防护平台和基于网络的入侵防御系统也可以降低风险。
7、Spectra和Meltdown代表了一种全新的漏洞,这仅仅是个开始。潜在的可开发实施将持续多年。
MacDonald表示:“最终,彻底消除可利用的实施所需的硬件预计要到12-24个月之后才会有,因此系统清单将成为未来缓解风险工作的关键路线图。为了减少未来针对各种类型漏洞的攻击风险,我们长期以来一直主张在服务器上使用应用控制和白名单,如果你还没有这样做,现在是时候对服务器工作负载保护采取默认的拒绝方式——无论这些工作负载是物理的、虚拟的、基于公共云还是基于容器的,这都应该成为2018年所有安全和风险管理领导者的标准做法和优先事项。”
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。